Objektumfelismerés W/ Dragonboard 410c vagy 820c OpenCV és Tensorflow használatával: 4 lépés

2024 Szerző: John Day | [email protected]. Utoljára módosítva: 2024-01-30 09:41

Ez az utasítás leírja, hogyan kell telepíteni az OpenCV, a Tensorflow és a gépi tanulási keretrendszereket a Python 3.5 rendszerhez az Objektumfelismerő alkalmazás futtatásához.

1. lépés: Követelmények

A következőkre lesz szüksége:

• Egy DragonBoard ™ 410c vagy 820c;

• A Linaro-alip tiszta telepítése:

  • DB410c: a 431 -es verzióban tesztelve. Link:
  • DB820c: v228 verzióban tesztelve. Link:
• Legalább 16 GB kapacitású MicroSD kártya (ha a 410c -t használja);

Töltse le a fájlt (ennek a lépésnek a végén), bontsa ki és másolja át a MicroSD -kártyára; Megjegyzés: Ha DB820c -t használ, töltse le a fájlt, bontsa ki és helyezze át a/home/*USER*/könyvtárba, hogy megkönnyítse a parancsok használatát.

• USB hub;
• USB kamera (Linux kompatibilis);
• USB egér és billentyűzet;
• Internet kapcsolat.

Megjegyzés: Ha lehetséges, kövesse ezeket az utasításokat a DragonBoard böngészőben, megkönnyítve a parancsok másolását

2. lépés: A MicroSD kártya felszerelése (csak W/ DB410c esetén)

• Nyissa meg a terminált a Dragonboard -on;
• A terminálban fdisk:

$ sudo fdisk -l

• Helyezze be a MicroSD kártyát a DragonBoard MicroSD kártyanyílásba;
• Futtassa újra az fdisk fájlt, keresse meg a listában az új eszköz nevét (és partícióját) (pl. Mmcblk1p1)

$ sudo fdisk -l

Lépjen a gyökérkönyvtárba:

$ cd ~

Hozzon létre egy mappát:

$ mkdir sdfolder

A MicroSD kártya felszerelése:

$ mount / dev / sdfolder

3. lépés: A szükséges keretrendszerek telepítése

• Nyissa meg a terminált a Dragonboard -on;
• A terminálban lépjen a kiválasztott könyvtárba (a "~" a 820c és a csatlakoztatott SDCard a 410c használatával):

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Lépjen az Objektumérzékelő parancsfájlok mappába:

$ cd object_detector_tensorflow_opencv/scripts/

Futtassa a környezetbeállító szkriptet:

$ sudo bash set_Env.sh

Frissítse a rendszert:

$ sudo apt frissítés

Telepítse ezeket a csomagokat:

$ sudo apt install -y protobuf-compiler gcc-aarch64-linux-gnu

g ++-aarch64-linux-gnu debootstrap schroot git curl pkg-config zip unzip python python-pip g ++ zlib1g-dev default-jre libhdf5-dev libatlas-base-dev gfortran v4l-utils hdf5* libhdf5* libpng-dev build-essential cmake libreadline-gplv2-dev libncursesw5-dev libssl-dev libsqlite3-dev tk-dev libgdbm-dev libc6-dev libbz2-dev libjpeg-dev libtiff5-dev libavcodec-dev libavformat-dev libswscale-dev libv4l-dev libxvid64-dev libgtk2.0-dev libgtk-3-dev ffmpeg python-opengl

Menjen ebbe a könyvtárba:

$ cd /usr /src

Python 3.5 letöltése:

$ sudo wget

Bontsa ki a csomagot:

$ sudo tar xzf Python-3.5.6.tgz

Törölje a tömörített csomagot:

$ sudo rm Python-3.5.6.tgz

Lépjen a Python 3.5 könyvtárba:

$ cd Python-3.5.6

Optimalizálás engedélyezése a Python 3.5 fordításhoz:

$ sudo./configure --enable-optimizations

Fordítsa le a Python 3.5 -öt:

$ sudo make altinstall

A pip és a beállítási eszközök frissítése:

$ sudo python3.5 -m pip install --upgrade pip && python3.5 -m pip install -upgrade setuptools

A numpy telepítése:

$ python3.5 -m pip install numpy

Lépjen a kiválasztott könyvtárba:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Tensorflow 1.11 letöltése:

$ wget

A tensorflow telepítése:

$ sudo python3.5 -m pip install tensorflow-1.11.0-cp35-none-linux_aarch64.whl

OpenCV és OpenCV Contrib adattárak klónozása:

$ sudo git clone -b 3.4 https://github.com/opencv/opencv.git && sudo git clone -b 3.4

Ugrás a könyvtárba:

$ cd opencv

Hozzon létre build könyvtárat, és lépjen rá:

$ sudo mkdir build && cd build

A CMake futtatása:

$ sudo cmake -D CMAKE_BUILD_TYPE = RELEASE -D CMAKE_INSTALL_PREFIX =/usr/local -D BUILD_opencv_java = OFF -D BUILD_opencv_python = OFF -D BUILD_opencv_python3 = ON -D PYTHONT_3_PE melyik python3.5) -D PYTHON_INCLUDE_DIR =/usr/local/include/python3.5m/-D INSTALL_C_EXAMPLES = OFF -D INSTALL_PYTHON3_EXAMPLES = OFF -D BUILD_EXAMPLES = OFF -D WITH_CUDA = OFF -OFF BUIL -DBUILD_TBB = BE -D OPENCV_ENABLE_NONFREE = BE modulok..

Fordítsa össze az OpenCV -t 4 maggal:

$ sudo make -j 4

Az OpenCV telepítése:

$ sudo make install

Lépjen a kiválasztott könyvtárba:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Lépjen a szkriptek könyvtárába:

$ cd object_detector_tensorflow_opencv/scripts/

Telepítse a Python3.5 követelményeit:

$ sudo python3.5 -m pip install -r követelmények.txt --no -cache -dir

Tesztimport:

$ python3.5

> import cv2 >> import tensorflow

Megjegyzés: Ha a cv2 visszaadja az importálási hibát, futtassa a make install alkalmazást az OpenCV buildmappájában, és próbálja újra

Lépjen a kiválasztott könyvtárba:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Töltse le a cocoapi adattárat:

$ git klón

Töltse le a Tensorflow modellek tárházát:

$ git klón

Menjen ebbe a könyvtárba:

$ cd cocoapi/PythonAPI

Szerkessze a Makefile fájlt, módosítsa a python -ot python3.5 -re a 3. és 8. sorban, majd mentse el a fájlt (példaként a nano -t használva):

$ nano Makefile

A kakaó összeállítása:

$ sudo make

Megjegyzés: Ha a „make” parancs nem fordul le, próbálja meg újratelepíteni a cython programot a következővel:

$ sudo python3.5 -m pip install cython

A pycocotools másolása a tensorflow /models /research könyvtárba:

(820c) $ cp -r pycocotools ~/models/research/

(410c) $ cp -r pycocotools ~/sdfolder/models/research/

Lépjen a kiválasztott könyvtárba:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Lépjen a modellek/kutatási könyvtárba:

$ cd modellek/kutatás

Fordítás protokollal:

$ protoc object_detection/protos/*. proto --python_out =.

Környezeti változó exportálása:

$ export PYTHONPATH = $ PYTHONPATH: `pwd`:` pwd`/slim

Tesztelje a környezetet:

$ python3.5 object_detection/builders/model_builder_test.py

Megjegyzés: OK -nak kell visszatérnie, különben az alkalmazás nem fog működni. Ha nem, gondosan keressen hibát a szükséges keretrendszerek telepítése során

4. lépés: Az Objektumfelismerő API futtatása

Ha minden keretrendszer konfigurálva van, mostantól lehetséges az OpenCV -t használó objektumészlelési API futtatása a Tensorflow -val együtt.

Lépjen a kiválasztott könyvtárba:

(820c) $ cd ~

(410c) $ cd ~/sdfolder

Ugrás az objektum észlelési könyvtárba:

$ cd object_detector_tensorflow_opencv/

Most futtassa az alkalmazást:

$ python3.5 app.py

Most a Dragonboard streameli a videót a hálózaton keresztül. A kimeneti videó megtekintéséhez nyissa meg a böngészőt a DB -ben, és lépjen a "0.0.0.0: 5000" -re.